域自适应的目的是利用有标记（源）域中的信息来提高未标记（目标）域模型的分类性能，且这种方法已经取得了不错的成果。然而在具有开放性的现实场景下，目标域通常包含源域中未观察到的未知类样本，这被称为开放集域自适应问题。传统的域自适应算法对这样具有挑战性的场景设定无能为力，因此提出了渐进式分离的开放集模糊域自适应算法。首先，基于引进隶属度的开放集模糊域自适应算法，探索了逐步分离目标域中已知类和未知类样本的方法；然后，仅将从目标域中分离出的已知类与源域对齐，从而减小两个域之间的分布差异，进行模糊域自适应。所提算法很好地解决了由于未知类和已知类之间的不匹配而导致的负迁移所带来的影响。在Office数据集上的6组域自适应转化实验结果表明，与传统的域自适应算法比较，所提算法在图像分类中的精度有显著的提升，验证了该算法可以逐步增强域自适应分类模型的准确性和鲁棒性。
